-
直接用全局变量+自增会出错，因为counter+=1非原子操作，分读取、计算、写回三步，多线程可能同时读到相同旧值导致丢失一次递增；必须用threading.Lock全程保护读写。
-
描述符对象未被当成普通属性调用，是因为它必须定义为类变量（如attr=MyDescriptor()）才生效；若误设为实例变量（如self.attr=MyDescriptor()），则完全绕过描述符协议，导致obj.attr直接返回描述符对象而非触发__get__。
-
私有方法在pytest中可直接调用，无需特殊处理；应根据其职责复杂度、是否被公有方法覆盖及命名稳定性决定是否测试，优先保障公有接口行为正确。
-
Detrender是对去趋势操作的统称，非scikit-learn标准类；scipy.signal.detrend默认线性去趋势，仅移除全局可建模趋势，对突变点、结构性断点无效，且保持序列长度不变。
-
NearestNeighbors默认使用欧氏距离，底层调用sklearn.metrics.pairwise.euclidean_distances，对每对样本计算平方差和的平方根；未归一化时量纲差异会导致大数值特征主导距离结果。
-
np.nanmean和np.nanstd自动跳过NaN与inf，不修改原数组，全NaN时返回nan；需检查结果是否为nan并处理，注意dtype、axis、ddof及keepdims用法，避免手动布尔索引导致性能与内存问题。
-
pytest-ordering的@pytest.mark.run(order=...)不生效的根本原因是未显式启用排序功能，需通过配置文件或命令行参数（如--order-scope=session）激活，否则标记被忽略。
-
GBK文件需显式指定encoding='gbk'读取，否则因Python默认UTF-8解码而报UnicodeDecodeError；不确定时用'gb18030'更鲁棒，禁用errors='ignore'；批量处理应先用charset-normalizer检测编码，再流式转存为UTF-8。
-
Linux下psutil.sensors_temperatures()拿不到CPU温度，主因是coretemp等硬件监控驱动未加载；需手动modprobe或写入/etc/modules，且依赖psutil≥5.9.0；Windows原生WMI不支持，macOS需用smc工具（AppleSilicon暂不支持），跨平台必须基于运行时探测而非OS判断。
-
直接修改configure()会漏掉子组件，因为Tkinter不自动同步样式，需递归遍历所有存活组件并按类型分别设置经典属性或ttk样式，同时处理Text/Entry等特殊参数。
-
数据库连接池耗尽的典型表现是Flask应用返回TimeoutError或请求卡在engine.connect()、session.execute()上，响应时间飙升——根本原因是连接未及时归还。
-
面试链表反转需先定义问题本质并明确O(1)空间约束，再用STAR-L法结构化表达：背景、任务、三指针思路、复杂度及关联扩展，同时预判陷阱、精准运用Python特性。
-
globals()返回当前模块的全局变量字典，不跨模块；修改它会直接改变命名空间，但易引发维护问题，应优先用setattr()或专用配置对象替代。
-
Dropout应加在全连接层后、激活函数前或Flatten后首个Dense层前；避免加在输入层后或输出层前；训练时training=True，推理时training=False；rate为丢弃比例，典型值0.2–0.5；RNN中须用recurrent_dropout而非普通Dropout。
-
AI岗位核心要问题建模、数据敏感度、算法理解深度和工程落地闭环能力；三类岗位分别侧重数学与论文复现、分布式工程与线上指标、多模态集成与Prompt设计；Python程序员需补数据质量校验、模型全周期管理、无监督/小样本问题解决能力。
